Viitoarele cazuri de utilizare 6G vor aduce un nou set de cerințe provocatoare și mai stricte, deoarece rețelele mobile trec dincolo de comunicațiile de voce, video și internet mobil de mare viteză.
Inteligența artificială și învățarea automată (AI/ML) sunt factori cheie pentru a aborda aceste noi provocări. Prin urmare, 6G este de așteptat să fie prima generație de rețele mobile, în care AI/ML va fi o parte nativă a designului sistemului încă de la început.
Cadrul AI/ML pentru interfața radio studiată în 3GPP ca parte a 5G-Advanced Release-18 este baza pentru facilitatorii comuni în diferite cazuri de utilizare bazate pe ML. O continuare a acestui studiu care se concentrează pe mobilitatea inter-celulă optimizată pentru ML a fost propusă de Nokia și va fi studiată în următoarea versiune-19. Această inițiativă își propune să studieze modul în care AI/ML poate fi aplicat pentru a îmbunătăți performanța mobilității în rețea și pentru a extinde și valida în continuare cadrul AI/ML cu cazuri de utilizare a mobilității optimizate AI/ML, deschizând calea pentru un viitor 6G nativ AI.
Abordarea nevoilor viitoare cu mobilitate optimizată AI/ML
Procedurile de mobilitate au fost studiate și optimizate pe larg în fiecare lansare 3GPP. De exemplu, pentru a îmbunătăți robustețea transferului, a fost introdus transferul condiționat (CHO), timpul de întrerupere a fost redus cu ajutorul metodelor de transfer al stivei de protocol dublu activ (DAPS) și a metodelor LTM (Lower-Layer Triggered Mobility). Astfel, transferurile de pe antenă pe alta au atins un nivel ridicat de maturitate si pot fi considerate in general de încredere.
Cu toate acestea, concentrarea din ce în ce mai mare a utilizatorilor, utilizarea benzilor de frecvență mai înaltă și implementările mai dense ale rețelei conduc la transferuri frecvente care devin o provocare mai proeminentă, în timp ce nevoia de eficiență energetică ridicată și complexitate redusă a rețelei necesită un management eficient și robust al mobilității. Noile aplicații de rețea impun noi cerințe pentru metodele de mobilitate. De exemplu, cazurile de utilizare Time Sensitive Communication (TSC) și XR sunt de obicei supuse unor ”bugete” stricte de întârziere a pachetelor (PDB).
Soluțiile de învățare automată vor permite optimizarea în continuare a mobilității în scenarii unice și provocatoare care nu pot fi abordate cu metodele non-ML.
AI/ML poate afla cum afectează diferite caracteristici prezentate în imaginea de mai sus, cum ar fi diferite profiluri de mobilitate (pieton, ambulanță) și viteze (lent, rapid), traiectorii (drum, cer) și caracteristicile mediului radio (antene, clădiri, copaci). mobilitatea în fiecare scenariu. Perspectivele învățate pot fi folosite pentru a îmbunătăți fiabilitatea transferului, pentru a reduce timpul de întrerupere, pentru a optimiza utilizarea resurselor și pentru a reduce măsurătorile radio pe care echipamentul utilizatorului trebuie să le facă și să le raporteze.
Să ne uităm la un exemplu, în care AI/ML este folosit pentru a reduce numărul de măsurători inter-frecvență costisitoare pe care un UE trebuie să le facă. Măsurătorile inter-frecvență sunt costisitoare deoarece necesită energie la UE și în timp ce UE măsoară, acesta nu poate comunica. Imaginea de mai sus prezintă un scenariu, în care un strat de macrocelule A oferă acoperire, iar stratul de microcelule B oferă capacitate suplimentară, dar nu o acoperire completă. Conectarea la stratul B este de preferat ori de câte ori este posibil, pentru performanțe îmbunătățite ale rețelei și pentru o mai bună echilibrare a sarcinii. O dronă, de exemplu, se poate conecta la stratul B atunci când se apropie de destinație pentru o rată de transfer mai mare și o latență mai mică pentru a transmite videoclipuri în direct pentru o mai bună cunoaștere a situației pentru primul echipaj care răspunde într-o situație de urgență. În scenariul de bază, atunci când este conectată la stratul macro A, pe lângă efectuarea măsurătorilor în stratul A, drona trebuie să măsoare și microstratul B pentru a determina dacă acesta ar fi în acoperirea unei microcelule. Cu toate acestea, cu datele de măsurare de la ambele straturi, putem antrena un model ML care învață corelația dintre măsurătorile radio din cele două straturi și poate prezice dacă o dronă conectată la stratul macro A s-ar putea conecta la o celulă B de micro-strat. pe baza măsurătorilor stratului A. Numai atunci când modelul AI/ML prezice că o conexiune este posibilă, sunt efectuate măsurători inter-frecvență ale stratului B pentru a determina la ce celulă mică din stratul B poate fi conectată și pentru a vă asigura că predicția ML a fost corectă.
Inevitabil, ML va face uneori predicții greșite. În acest caz, o predicție fals pozitivă va duce la o măsurare inutilă a microstratului B, reducând economiile de măsurare intenționate. O predicție fals negativă, pe de altă parte, poate întârzia conectarea la microstratul preferat B. Compensația dintre aceste două impacturi poate fi configurată și cu cât performanța modelului ML este mai bună, cu atât mai puțin compromis trebuie să facem. Rezultatele experimentului Nokia de simulare sunt prezentate în imaginea de mai sus. Se poate economisi de la 20% până la peste 50% din măsurătorile inter-frecvență pe o linie de bază non-ML, în funcție de scenariul în care se dorește utilizarea maximă a microstratului B, fără niciun fel de reducere a măsurătorilor sau dacă este acceptă o uşoară reducere a timpului de conectare la acesta.
Alte exemple despre modul în care AI/ML poate fi utilizat pentru a optimiza mobilitatea includ, de exemplu, optimizarea alocărilor de resurse în preluări bazate pe razele de deservire anticipate, predările de scurtă durată sau alte evenimente legate de mobilitate.
Implementarea mobilității optimizate pentru învățarea automată
Să ne uităm la cele trei considerente cheie care permit mobilitatea optimizată ML: implementare în rețea și UE, fiabilitate și testabilitate.
- Modele de rețea și UE: în cazurile de utilizare a mobilității, o capacitate cheie a ML este capacitatea de a învăța contextul mobilității locale și de a se adapta la acesta. Aceasta înseamnă că instanțele modelului ML pot fi antrenate pentru un set specific de celule și adiacențele acestora. Aceste așa-numite modele ML specifice celulei, site-ului sau zonei sunt potrivite pentru soluțiile de optimizare a mobilității la nivelul rețelei, unde sunt întotdeauna disponibile date suficiente pentru acel context și instanța modelului potrivită. Modelele UE sunt mai potrivite pentru o generalizare mai mare a modelului ML, dar, pe de altă parte, pot avea o disponibilitate mai bună a măsurătorilor radio și a altor informații care nu sunt accesibile rețelei.
- Fiabilitate: Metodele de mobilitate trebuie să fie foarte fiabile, chiar și în cazul unor circumstanțe neașteptate. Aceasta include orice soluție ML utilizată pentru optimizarea mobilității, care trebuie să funcționeze într-o mare varietate de scenarii și să fie robustă, rezistentă și sigură. De exemplu, măsurătorile radio sunt prin natura lor includ elemente imprevizibile. Deciziile de transfer sunt influențate de factori, în care predictibilitatea este limitată în diferite grade, cum ar fi obiectele de blocare tranzitorii, poziția și mișcarea UE și altele. În multe cazuri de utilizare, este posibil să se ofere predicții precise doar statistic, mai degrabă decât pentru transferuri individuale. Mai mult, ML introduce memoria în metodele de mobilitate. Acest lucru înseamnă că modelele prezic pe baza configurației rețelei și a mediului capturat în datele de antrenament. Dacă oricare dintre caracteristicile prezentate în Figura 2 se modifică, de exemplu mediul radio (construcția unei noi clădiri) sau profilurile de mobilitate (apariția bicicletelor electrice), acest lucru poate reduce acuratețea modelelor ML și poate necesita reinstruire. Din acest motiv, sunt necesare managementul și monitorizarea ciclului de viață (LCM) coordonate ML, iar soluțiile de mobilitate activate ML trebuie să fie robuste și sigure, chiar și în situații neprevăzute. Figura 5 arată efectul unei schimbări a mediului radio asupra modelului de reducere a măsurării inter-frecvență în studiul de simulare. Cu monitorizarea ML, schimbarea performanței ML poate fi detectată, iar ML LCM poate face reinstruirea și/sau schimbarea modelului ML. În plus, pentru a fi pregătit pentru orice eveniment neprevăzut, algoritmul este proiectat să fie în mod inerent sigur, adică orice predicții false din modelul de învățare automată nu conduc la eșecuri.
- Testabilitate: Introducerea învățării automate în metodele de mobilitate necesită noi metode de evaluare și verificare a procedurilor de mobilitate. Mai ales când modelul este antrenat cu context localizat și adaptat în timp. Aceasta poate include, de exemplu, studierea oricăror modificări necesare în scenariile de referință utilizate pentru evaluarea soluțiilor, precum și a noilor proceduri și metode de testare în testarea conformității UE.